隨著人工智能及機器學習的急速發展，不論傳統企業還是初創企業皆希望能先拔頭籌，利用相關科技，加速業務數碼化，保持競爭力。
麥肯錫全球研究所（McKinsey Global Institute）推算，人工智能於 2030 年前為全球帶來 13 萬億美元的經濟活動。要踏上創新機器學習之旅，我們建議企業透過以下四個步驟，加快掌握機器學習的應用。
一、建立明確的數據策略
數據是機器學習的關鍵。不少企業對應用機器學習有興趣，惟企業內部未有足夠數據，未能開始應用機器學習。因此，建議在應用機器學習前，企業必須充分了解公司的數據狀況，如數據儲存位置及數據可用程度等，並建立明確的數據策略。
除了數據策略，若企業已確定適用的機器學習場景，就開始收集所需數據，用作機器學習模型訓練。與此同時，企業在收集數據亦需留意數據質素。企業收集的數據若質素不高，如出現異常值及遺漏值，影響機器學習模型的精準度。
二、選取合適的場景作切入點
能應用機器學習的場景多不勝數，企業可以選擇數據就緒度高、具業務價值、對業務影響較低、機器學習適用度高的應用場景作為切入點。在應用初期，企業內部對機器學習帶來的作用或存有疑惑。因此，團隊可以先從一個所需資源相對較少並不會影響公司核心業務的項目開始。項目一旦成功不但有助公司積累經驗，還能贏得內部信任。
在成功交付了幾個 3 到 6 個月可以完成的小型項目後，企業就會有足夠的信心和動力去獲得内部高層團隊的支持，加大機器學習項目投入，逐步應用機器學習來改造核心業務
值得留意的是機器學習只是擔任加速自動化的角色，而非取代人類工作。以台灣雲端醫療大廠商之器為例，公司研發的醫療影像傳輸系統（Picture Archiving and Communication System；PACS）透過人工智能，於病人送院途中，在救護車上進行異常心電圖判斷，並將判斷異常的資料立刻傳送到通訊群組，讓醫護人員能提早準備搶救流程。毋庸置疑機器學習加快醫生的判斷過程，而非完全取代醫生的工作。
三、數據科學家及業務團隊緊密合作
同時精通業務及機器學習的專家可以說是鳳毛麟角。事實上，透過數據科學家與跨職能團隊的緊密合作，結合兩方面人才的優勢，同樣能要達到科技創新。以本地金融初創 Apoidea 為例，利用人工智能技術進行文件分析，公司大約半數員工具有數據科學家背景，業務團隊及技術專家經過反覆研究及測試，合力建立 20 多個收集數據的深度學習模型，提升準確度及節省分析時間。
四、彌補技術差距
不論是初創公司或大型企業，都有待機器學習人才填補團隊空缺。不少企業亦會與服務商合作，以加快數碼轉型。不同行業面對的技術痛點各有不同，一部分需要對演算法進行大量的反覆運算，以提高精確度，而部分問題需要研究新的演算法解決。面對複雜的行業問題，不能停留在工具的應用。服務商的角色就是協助企業開發人員和數據科學家獲取機器學習能力，讓他們能更快應用機器學習技術。透過集合解決方案架構師、人工智慧實驗室、資料實驗室、快速開發團隊和專業服務團隊等，服務商及企業團隊就能根據項目需要，一同尋找適用於機器學習的業務場景，跟業務人員、技術人員在一起開發出產品原型，然後快速反覆運算及建構解決方案，協助企業彌補技術差距。
在全球數碼轉型的浪潮下，機器學習無疑是企業保持競爭力的錦囊。關鍵在於企業需建立一套明確的數據策略、辨識適合機器學習的應用場景作為切入點、同時讓數據科學家及業務團隊緊密合作，避免閉門造車，企業便能成功踏上創新機器學習之旅。
撰文：AWS 香港暨台灣銷售總監翁宇強
